論文の概要: Neural Network-Guided Symbolic Regression for Interpretable Descriptor Discovery in Perovskite Catalysts
- arxiv url: http://arxiv.org/abs/2507.12404v1
- Date: Wed, 16 Jul 2025 16:47:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-17 19:00:11.478022
- Title: Neural Network-Guided Symbolic Regression for Interpretable Descriptor Discovery in Perovskite Catalysts
- Title（参考訳）: ペロブスカイト触媒の解釈型記述子発見のためのニューラルネットワークによるシンボリック回帰
- Authors: Yeming Xian, Xiaoming Wang, Yanfa Yan,
- Abstract要約: 本稿では、ニューラルネットワーク(NN)、特徴重要度分析、シンボル回帰(SR)を組み合わせて解釈可能な記述子を発見する2相フレームワークを提案する。
The Phase I, we improve the known mu/t descriptor by engineering Composite features and applied symbolic regression, achieved training and validation MAEs of 22.8 meV and 20.8 meV。
第2相では164個の特徴に拡張し、次元を小さくし、LUMOエネルギーを鍵電子記述子として同定し、高い物理解釈を持つ精度(22.1および20.6 meVのトレーニングと検証MAE)を実現した。
- 参考スコア（独自算出の注目度）: 1.0637125300701795
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding and predicting the activity of oxide perovskite catalysts for the oxygen evolution reaction (OER) requires descriptors that are both accurate and physically interpretable. While symbolic regression (SR) offers a path to discover such formulas, its performance degrades with high-dimensional inputs and small datasets. We present a two-phase framework that combines neural networks (NN), feature importance analysis, and symbolic regression (SR) to discover interpretable descriptors for OER activity in oxide perovskites. In Phase I, using a small dataset and seven structural features, we reproduce and improve the known {\mu}/t descriptor by engineering composite features and applying symbolic regression, achieving training and validation MAEs of 22.8 and 20.8 meV, respectively. In Phase II, we expand to 164 features, reduce dimensionality, and identify LUMO energy as a key electronic descriptor. A final formula using {\mu}/t, {\mu}/RA, and LUMO energy achieves improved accuracy (training and validation MAEs of 22.1 and 20.6 meV) with strong physical interpretability. Our results demonstrate that NN-guided symbolic regression enables accurate, interpretable, and physically meaningful descriptor discovery in data-scarce regimes, indicating interpretability need not sacrifice accuracy for materials informatics.
- Abstract（参考訳）: 酸素進化反応(OER)のための酸化ペロブスカイト触媒の活性を理解し予測するには、正確かつ物理的に解釈可能な記述子が必要である。
記号回帰(SR)はそのような公式を発見するための経路を提供するが、その性能は高次元の入力と小さなデータセットで劣化する。
本稿では、ニューラルネットワーク(NN)、特徴重要度分析、シンボル回帰(SR)を組み合わせて、酸化ペロブスカイト中のOER活性の解釈可能な記述子を発見するための2相フレームワークを提案する。
フェーズIでは,小さなデータセットと7つの構造的特徴を用いて,工学的複合特徴による既知の {\mu}/t記述子を再現および改良し,それぞれ22.8mVと20.8mVのトレーニングおよび検証MAEを達成した。
第2相では、164個の特徴に拡張し、次元を小さくし、LUMOエネルギーを重要な電子ディスクリプタとして識別する。
{\mu}/t, {\mu}/RAおよびLUMOエネルギーを用いた最終式は、強い物理的解釈性を持つ精度(22.1および20.6 meVのトレーニングおよび検証MAE)を達成する。
この結果から,NN誘導のシンボルレグレッションにより,データスカース方式における正確な,解釈可能な,物理的に意味のある記述子発見が可能であることが示唆された。
関連論文リスト
- T-SHRED: Symbolic Regression for Regularization and Model Discovery with Transformer Shallow Recurrent Decoders [2.8820361301109365]
シャローリカレントデコーダ(SHRED)はスパースセンサ測定からシステム同定と予測に有効である。
我々は、次のステップ状態予測の性能を向上させる時間符号化に変換器(T-SHRED)を活用することにより、SHREDを改善する。
シンボリック回帰は、トレーニング中の潜在空間のダイナミクスを学習し、規則化することによって、モデルの解釈可能性を改善する。
論文 参考訳（メタデータ） (2025-06-18T21:14:38Z) - Sparse Interpretable Deep Learning with LIES Networks for Symbolic Regression [22.345828337550575]
記号回帰は、データを正確に記述する閉形式の数学的表現を発見することを目的としている。
既存のSR手法は、しばしば人口に基づく探索や自己回帰モデリングに依存している。
LIES(Logarithm, Identity, Exponential, Sine)は,シンボル表現のモデル化に最適化された,解釈可能なプリミティブアクティベーションを備えたニューラルネットワークアーキテクチャである。
論文 参考訳（メタデータ） (2025-06-09T22:05:53Z) - Uncovering Magnetic Phases with Synthetic Data and Physics-Informed Training [0.0]
合成データに基づいて学習した人工ニューラルネットワークを用いた磁気位相の効率的な学習について検討する。
モデル性能を向上させるために,物理インフォームドガイダンスの2つの重要な形態を取り入れた。
この結果から, 合成, 構造化, 計算効率のよい学習手法は, 物理的に意味のある位相境界を明らかにすることができることがわかった。
論文 参考訳（メタデータ） (2025-05-15T15:16:16Z) - REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。
グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。
本モデルは,発作検出と分類作業において高い精度を示す。
論文 参考訳（メタデータ） (2024-06-03T16:30:19Z) - The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。
ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。
新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
論文 参考訳（メタデータ） (2024-02-02T20:33:14Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - How Spurious Features Are Memorized: Precise Analysis for Random and NTK Features [19.261178173399784]
学習課題とは無関係な突発的な特徴について考察する。
それらがどのように2つの異なる用語で記憶されるのかを正確に評価する。
一般化能力の増大に伴い,突発的特徴の記憶が弱まることを示す。
論文 参考訳（メタデータ） (2023-05-20T05:27:41Z) - IB-UQ: Information bottleneck based uncertainty quantification for
neural function regression and neural operator learning [11.5992081385106]
本稿では,科学的機械学習タスクのための情報ボトルネック(IB-UQ)による不確実性定量化のための新しいフレームワークを提案する。
我々は,入力データの信頼度に応じて,入力を潜在表現に符号化する信頼認識エンコーダによってボトルネックを埋め込む。
また,外挿不確かさの質を高めるために,データ拡張に基づく情報ボトルネック目標を提案する。
論文 参考訳（メタデータ） (2023-02-07T05:56:42Z) - Counterfactual Intervention Feature Transfer for Visible-Infrared Person
Re-identification [69.45543438974963]
視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。
十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。
本稿では,これらの問題に対処するためのCIFT法を提案する。
論文 参考訳（メタデータ） (2022-08-01T16:15:31Z) - Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。
この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
論文 参考訳（メタデータ） (2020-11-18T18:52:08Z) - Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。
種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。
共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
論文 参考訳（メタデータ） (2020-10-01T17:51:49Z) - SNoRe: Scalable Unsupervised Learning of Symbolic Node Representations [0.0]
提案したSNoReアルゴリズムは、個々のネットワークノードのシンボリックで人間の理解可能な表現を学習することができる。
SNoReの解釈可能な特徴は、個々の予測を直接説明するのに適している。
SNoReのベクトル化実装は大規模ネットワークにスケールし、現代のネットワーク学習および分析タスクに適している。
論文 参考訳（メタデータ） (2020-09-08T08:13:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。